一种基于卷积神经网络的空间污染物分布的预测方法

技术领域

本发明涉及深度学习领域，具体涉及一种基于卷积神经网络空间污染物分布的预测方法。

背景技术

环境污染严重影响人类健康,其中室内空气质量问题日益凸显。传统的环境监测方法需要设置大量传感器,成本高且分布监测不均匀。近年来深度学习中的卷积神经网络被成功应用于图像处理和计算机视觉领域。卷积神经网络可以提取图像的空间信息,并进行端到端的训练。

相关研究表明,可以使用卷积神经网络预测和评估室内环境的质量分布。通过收集室内污染物浓度监测数据,并结合空间内部结构信息,可以训练卷积神经网络模型。该模型可以学习不同位置污染物浓度之间的内在关联。在新空间内,即使监测点有限,也可以利用训练好的模型预测污染物在该空间的分布情况。

为此，本发明提出了一种基于卷积神经网络空间污染物分布的预测方法，该方法通过将卷积神经网络应用到空间污染物分布监测领域,利用其强大的空间特征提取和预测能力,可以在有限的监测数据下,准确预测空间内各个位置的污染物浓度,为空间的空气质量控制提供数据支持。该方法实施成本低，污染物分布预测准确性好以及可实时监测,有利于污染防控和保障居住者健康。

发明内容

针对现有技术的不足，本发明提供一种基于卷积神经网络空间污染物分布的预测方法，该方法利用卷积神经网络对经实验验证的CFD数值模型获取的数据集进行处理分析，得到空间内污染物分布的预测结果，进行解决上述存在的问题。

为实现上述所述目的，本发明采用如下技术方案：

一种基于卷积神经网络的空间污染物分布的预测方法，包括以下内容：

S1：构建预测模型数据集：该数据集为经实验验证的CFD数值模型获取的数据集，数据集中包括空间内换气次数、位置点的坐标和污染物浓度；

S2：将所述数据集中的数据进行归一化处理，得到特征数据集；

S3：将所述的特征数据集分为训练数据集和测试数据集；

S4：将训练数据集输入到CNN神经网络中进行训练，得到预测神经网络模型。

可选的，还包括利用测试数据集对所述预测神经网络模型进行结果检测。

可选的，利用RMSE，MAE,MAPE和R

其中，y代表预测污染物浓度，y’代表真实污染物浓度，

可选的，CNN神经网络包括输入层、7个卷积层、2个最大池化层、1个全连接层、一个Linear层和输出层，其中：

输入层用于接受归一化处理后的单个训练样本；

卷积层：增加网络深度，并通过卷积进一步提取输入数据中的隐藏特征；

最大池化层用于接受卷积层的最大输出值作为输入值，对特征进行压缩，除去冗余信息，减小计算量；

全连接层用于接受最大池化层的的输出值作为输入值；

Linear层用于接受全连接层的输出值作为输入值，采用Linear函数作为激活函数；

输出层用于将Linear层输出值作为预测依据。

可选的，输入层的归一化处理计算公式具体为：

其中，X_standardized是标准化后的数据；X是原始数据；μ是原始数据的平均值；σ是数据的标准偏差。

可选的，卷积层的计算公式具体为：

其中，ω表示权重系数；x

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于卷积神经网络空间污染物分布的预测方法，利用卷积神经网络对经实验验证的CFD数值模型获取的数据集进行处理分析，得到预测结果，进而为空间内空气质量控制提供数据支持。

与现有技术相比，本发明提供的基于卷积神经网络空间污染物分布的预测方法，具备以下有益效果：

1、卷积神经网络可以在有限的监测数据下进行训练,减少了采集大规模监测数据的成本。

2、卷积神经网络可以学习不同位置之间的内在关联,通过学习所得的内在关联对未监测区域的污染物浓度进行预测，使得预测结果更准确。

3、基于卷积神经网络的预测方法可以持续优化模型,进行实时预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例的整体流程示意图；

图2为本发明实施例的CNN网络结构示意图；

图3为本发明实施例获取数据集的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明实施例提供的基于卷积神经网络的空间污染物分布的预测方法，如图1-3所示，包括如下步骤：

S1、在经实验验证的CFD数值模型中获取数据集，采集空间内换气次数、位置点的坐标和污染物浓度作为结果数据；

S2、根据S1中的数据集，对结果数据进行归一化处理得到特征数据集，将其按照3：1的比例随机分配成训练数据集、测试数据集；

S3、根据随机分配的训练数据集规模和输出需求构建卷积神经网络(CNN)，作为预测空间污染物分布的数据训练网络模型；

S4、将步骤S2中的训练数据集放入S3的CNN神经网络中进行训练，其中CNN神经网络结构如图2所示。

S5、将步骤S4中训练完的CNN神经网络输出结果放入测试数据集中进行结果检测，并利用RMSE，MAE,MAPE和R

步骤S1中，在经实验验证的CFD数值模型中获取数据集的流程图如图3所示。首先，根据空间的实际尺寸建立物理模型。然后，建立CFD数值模型，定义边界条件，输出模拟结果。在全尺寸实验室中进行实验测试，获得实验室内温度、速度和污染浓度，并与模拟结果进行比较，以验证建立数学模型的准确性。最后，模拟不同换气次数下的室内污染分布，并将模拟结果作为数据集输出。

步骤S2中，结果数据的归一化处理计算公式为：

X_standardized表示标准化后的数据；X表示原始数据；μ表示原始数据的平均值；σ表示数据的标准偏差。

步骤S3中，CNN神经网络包括输入层、7个卷积层、2个最大池化层、1个全连接层、一个Linear层和输出层，其中：

输入层用于接受归一化处理后的单个训练样本；

卷积层：增加网络深度，并通过卷积进一步提取输入数据中的隐藏特征；

最大池化层用于接受卷积层的最大输出值作为输入值，对特征进行压缩，除去冗余信息，减小计算量；

全连接层用于接受最大池化层的的输出值作为输入值；

Linear层用于接受全连接层的输出值作为输入值，采用Linear函数作为激活函数；

输出层用于将Linear层输出值作为预测依据。

卷积层的计算公式为：

其中，ω表示权重系数；x

步骤S5中，评价预测神经网络模型的准确性的四个指标的计算公式为：

其中，y代表预测污染物浓度，y’代表真实污染物浓度，

实施例2

在另一实施例中，所述的基于卷积神经网络的空间污染物分布的预测方法，包括以下步骤：

S1、以负压隔离病房为例，在建立的全尺寸负压隔离病房中进行实验测试，实验结果与CFD数值模型的结果进行对比，在验证数值模型准确性的基础上，将数值模拟结果作为数据集来训练预测病房污染物分布的卷积神经网络模型。

S2、采集S1中所述数据集中病房内的换气次数、位置点的坐标和污染物浓度作为结果数据。

S3、将S2中采集的结果数据一一结合形成120960组数据，通过上述预处理和归一化方式生成特征数据集，并按照3：1的比例随机分配成训练数据集和测试数据集。

S4、针对特征数据集规模和输出需求构建CNN网络，CNN神经网络包括输入层、7个卷积层、2个最大池化层、1个全连接层、一个Linear层、输出层。

S5、将S3中生成的测试数据集进行放入CNN神经网络进行训练，并设定训练结束方式，以训练误差小于设定值为结束标志。

S6、选取步骤S3中的测试数据集，将其导入训练完的CNN神经网络模型，得到预测结果，并与真实的结果进行对比，利用RMSE，MAE,MAPE和R

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。